基于AMD和小波阈值去噪的电机轴承故障诊断

轴承是异步电机常见故障类型中发生故障概率最大的部件.谐波法是目前轴承故障诊断的常用方法,想要准确的获取故障特征谐波分量,需要对故障信号进行去噪预处理.针对故障信号提取特征频率的噪声干扰问题,结合电机轴承故障机理分析,提出运用解析模态分解(AMD)算法和小波阈值去噪算法相结合的谐波检测方法来提高电机轴承故障特征谐波分量提取的准确性.实验结果表明,所提方法能够准确的提取故障信号的特征分量,可有效提升故障诊断的准确性和可靠性,降低了电动机故障发生概率.     

基于小波分析与BP神经网络的机车牵引电机故障诊断

本文对机车牵引电动机的振动信号通过振动传感器传输至MATLAB小波包分析软件,小波包去噪处理分离出噪声信号保留有用信号,进行能量谱分解。不同特征频率的能量百分比进行归一化处理,作为改进BP神经网络样本输入数据进行训练,得到牵引电机故障诊断模型,输入样本测试数据故障诊断,测试结果显示,该模型能够有效诊断牵引电机所发生的故障。     

基于小波改进阈值去噪与EMD的滚动轴承故障诊断研究

针对传统阈值去噪方法在处理轴承故障信号时存在的不足,提出了基于小波改进阈值去噪与经验模态分解(Empirical Mode Decomposition,EMD)的滚动轴承故障信号的分析方法。为改善小波去噪产生的信号振荡和失真问题,构造了适用于滚动轴承振动信号的非线性阈值函数,并将其用为滚动轴承故障信号的噪声过滤器。采用经验模态分解将去噪后的信号分解成若干固有模态函数(Intrinsic Mode Function,IMF),并用统计分析的方法提取出谱峭度值、各固有模态函数与去噪信号之间的互相关系数最大的分量。最后,为了在频域内提取到故障特征频率,对抽取到的固有模态分量进行包络分析。仿真数据分析和模拟实验数据分析表明,所提方法可有效地提取轴承故障特征频率,实现轴承的故障诊断。     

皮带机故障诊断中基于自适应小波阈值去噪法的应用

皮带机故障信号中包含大量运行信息，采集故障信号进行去噪处理有利于故障状态识别。为了进一步提高小波阈值去噪方法在强噪声背景下微弱故障信号提取能力，设计了一种基于改进自适应阈值的小波阈值去噪法的皮带机故障诊断方法。研究结果表明：进行小波阈值去噪时未进行阈值函数优化，在阈值选取缺乏灵活性。以自适应小波阈值去噪时，可以获得更平滑的阈值曲线，能够满足最优去噪性能。采用小波阈值去噪时并未达到理想去噪效果，存在明显噪声成分，并且获得了更大均方根误差；完成小波阈值改进后获得理想去噪效果，更准确保留有用信号，使噪声信号被充分去除，实现信噪比的明显提升。该研究可以拓宽到其它传动设备上，对后续的故障状态识别奠定理论基础。     

变工况下基于信息融合的地铁牵引电机轴承故障智能诊断

针对传统滚动轴承故障诊断方法过于依赖先验知识和专家经验,以及单一信号对某些故障识别率偏低的问题,提出一种变工况下基于信息融合的地铁牵引电机轴承故障诊断方法.首先搭建滚动轴承试验与多信息采集系统;其次对地铁牵引电机轴承进行缺陷预制并采集轴承试验过程中的声发射和振动信号;然后用小波包分解对原始信号进行处理并提取特征,再用卷积神经网络对归一化后的特征信息进行融合;最后建立二维卷积神经网络模型,对不同工况下的地铁牵引电机轴承故障进行智能诊断.试验结果表明:变工况下基于信息融合的地铁牵引电机轴承故障智能诊断方法,可在载荷和转速变化的情况下准确识别轴承的故障类型,当神经网络训练集与测试集涵盖工况相同时,准确度可达100％.     

基于峭度准则VMD及平稳小波的轴承故障诊断

为了从强噪声背景下的轴承振动信号中准确稳定地提取滚动轴承故障特征,提出了基于峭度准则VMD及平稳小波的轴承故障诊断方法。使用变分模态分解对同一负荷下的故障信号进行预处理,通过峭度准则筛选出最佳和次佳信号分量进行重构并使用平稳小波进行去噪处理,最后分析信号的包络谱来对轴承的故障类型进行判断。通过对仿真滚动轴承内圈故障信号进行分析,该方法可成功提取出微弱特征频率信息,噪声抑制效果优于EMD。由此表明,基于峭度准则VMD及平稳小波的轴承故障诊断可有效提取强声背景下的滚动轴承早期故障信息,具有一定的可靠性和应用价值。     

基于循环提取有效信息的主轴承故障特征增强方法

针对航空发动机主轴承发生故障时特征信息提取不充分的问题,提出一种基于循环提取有效信息的主轴承故障特征增 强方法。 该方法首先对原始振动信号进行小波包分解,计算得到各个节点分量的相关系数值和峭度值,将其进行归一化融合为 一个综合参数 Pi;其次根据特征信息循环提取准则定义一个置信区间,该区间将所有节点分量划分为高信噪比信号、低信噪比 信号和高噪信号 3 个部分;然后不断筛选出高信噪比信号直至达到终止条件;最后重构所有高信噪比信号,并进行包络解调提 取出轴承微弱故障特征。 经仿真信号验证,去噪信号的信噪比相对于去噪前提升了 11. 31 dB。 基于航空发动机中介轴承模拟 试验台所测数据开展了特征信息循环提取方法有效性的综合验证,并对某型航空发动机主轴承振动信号进行了分析。 实践表 明:该方法适用于强背景噪声干扰工况下滚动轴承的特征提取,能准确诊断航空发动机主轴承故障。     

非稳态信号的去噪及提取特征频率方法研究

基于风力发电机齿轮箱振动信号特点,研究了非稳态振动信号的处理方法。对小波阈值去噪方法进行了分析,提出了小波阈值的综合量化规则,以齿轮箱的振动信号为例,比较了不同阈值方法去噪效果,结果显示综合量化去噪方法更有效。针对Wigner-Ville分布理论中频率混叠和干扰的缺点,在小波阈值的综合量化规则去噪之后的基础上采用经验模态分解和Wigner-Ville相结合的方法对齿轮箱轴承故障进行诊断。试验结果表明,经验模态分解和Wigner-Ville分布相结合的方法能有效地提取非稳态信号的特征频率。     

基于小波分析对变速箱的故障诊断

为确定某型号液力叉车变速箱的故障原因,对其进行故障诊断,简要分析了变速箱内部结构,并计算了各档位情况下各个齿轮和轴承的故障特征频率,搭载实验平台,采集变速箱运转过程中的振动信号,并运用小波阈值去噪法对原始振动信号进行了消噪,接着分别运用小波分析和小波包分析方法对振动信号进行分解,并对相应频段信号进行重构和谱分析,综合两种分析方法的结果,获得变速箱的故障特征频率,确定是输入轴上齿轮存在缺陷。该研究对齿轮及轴承等相关构件的故障诊断有一定的参考意义。     

基于信号的正交小波构造及其在电机故障特征提取中的应用分析

本文讨论了小波变换的基本理论及小波函数与信号的相关系数对信号去噪效果的影响。在此基础上提出了基于信号的正交小波构造方法:根据信号的频域特征,对各频带系数进行加权处理,确定多尺度分析的生成元,从而构造L2空间的正交小波函数。应用不同小波函数提取750W整数槽化纤电机的振动信号的故障特征,实验结果表明采用此方法构造的小波函数能更加有效地从强噪声中提取故障特征,从而实现对电机故障的精确诊断。     

基于小波去噪和EEMD包络解调分析的滚动轴承故障诊断方法

针对强噪声背景下的故障信号诊断问题,提出一种基于小波去噪和改进型总体经验模式分解算法(Ensemble Empirical Mode Decomposition,EEMD)包络解调分析的滚动轴承故障诊断方法。由于经验模态分解方法易产生虚假分量和模态混叠现象,引入EEMD。首先将采集到的振动信号进行软阈值去噪,然后对去噪信号进行EEMD分解,抽取能量较大的前4个内禀模态函数(IMF)进行Hilbert变换,得到包络信号,最后对包络信号进行细化谱分析,得到轴承故障特征频率。小波去噪可解决噪声造成的包络信号粗糙这一问题,提高了包络提取精度。将该方法应用于滚动轴承的内圈和外圈故障诊断,诊断结果均表明该方法能够准确有效地提取故障特征频率。     

小波包和峭度在轴承早期故障分析中的应用

为实现轴承故障的精确诊断,提出一种基于小波包与峭度准则的包络解调方法。当信噪比较小时,该方法可以剔除含噪信号,与现阶段经常使用的细节系数能量方法相比,可更为有效地提取轴承的故障信息。该方法首先利用小波包将振动信号分解,突出小波包降噪效果的明显性;然后以峭度准则提取降噪后信号所需的细节系数并对其重构;最终进行包络谱分析,准确地检测出轴承故障,提高轴承故障诊断的精确度。     

瞬态成分Laplace小波稀疏表示及其轴承故障特征提取应用

机械系统中轴承局部故障会导致振动信号中出现瞬态冲击响应成分,可通过对瞬态成分的分析与提取实现故障特征的提取。稀疏表示是强背景噪声下微弱特征提取的有效方法之一,在信号稀疏表示理论的基础上,针对冲击响应信号的特点,提出其在Laplace小波基底下的稀疏表示,并应用于轴承局部弱故障状态下振动信号中瞬态冲击成分的提取。在选定匹配基底函数的前提下,运用分裂增广拉格朗日收缩算法求解基追踪去噪(Basis pursuit denoising,BPD)问题,将信号中的瞬态冲击成分转化为一系列稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号和轴承微弱故障下的特征提取表明提出的方法能有效地检测和提取强背景噪声下的微弱故障。     

基于小波分析的重载卡车变速箱装配品质在线检测方法研究

为确定某型变速箱装配品质,从变速箱内部结构出发,简要介绍了变速箱常见装配故障,从理论上分析了变速箱在各挡位情况下各齿轮和轴承等零件的常见故障特征频率,并搭建声压信号采集平台,采集变速箱不同挡位运转时产生的声压信号,利用小波阈值去噪法对采集的原始声压信号进行去噪,并运用小波分析对去噪后的声压信号进行分解,对相应的频段信号进行谱分析,结合理论分析与实验分析的结果,获得变速箱的装配故障特征,为检查变速箱装配品质提供依据。该研究对变速箱装配品质检测具有一定的参考意义。     

基于Morlet小波变换的信号去噪及在轴承状态监测中的应用

为在强噪声背景下利用振动信号中隐含的冲击特征成分来反映轴承性能退化趋势,提出一种基于Morlet小波变换和时域特征参数提取相结合的轴承状态监测方法。通过引入谱峭度评估Morlet小波滤波的去噪效果,再从信号滤波结果构建的组合信息中提取时域特征参数。对轴承全寿命数据的应用结果表明,特征参数的变化趋势能够监测轴承状态的劣化过程,伴随的早期故障检测可以提高轴承使用的安全性。     

基于最优小波基的电机故障信号特征提取研究

小波变换去噪中最关键的问题是最优小波基的选取,使其能够将噪声从原始信号中分离出来。针对电机故障的特点,提出了一种基于信号的最优小波基选取方法。将信号小波变换的能量阈值曲线作为小波基函数的适用性评价指标。通过训练神经网络,选取适合该信号的最优小波基,最后采用平移不变量(TI)小波阈值法实现信号去噪。在此基础上对750W化纤电机进行了测试,实验结果表明,该方法能准确找出适合特定信号的最优小波基。训练后的神经网络可直接用于其它类型电机的信号去噪处理,具有实用价值。     

基于EMD-ICA去噪的滚动轴承故障诊断方法

针对轴承故障信号易受环境噪声影响、信噪分离难的问题,提出了一种基于经验模态分解和独立成分分析相结合去噪的滚动轴承故障诊断方法。给出了该方法在故障诊断信号去噪领域的应用原理、方法步骤和评价指标;并通过仿真信号和实际轴承的滚动体故障、内圈故障和外圈故障信号进行了分析和故障诊断,验证了该方法在轴承故障信噪分离中的有效性。结果表明,采用文中提出的方法消噪后提取故障信号特征频率,压制了噪声干扰,能明显区别出轴承的状态及其故障的类型,有效提高了轴承故障诊断的准确性。     

轴承振动信号的去趋势分析和故障特征提取方法研究

针对传统经验模式分解(EMD)确定含噪模式分量缺乏具体评价指标的问题,首先利用互补集合经验模式分解(CEEMD)将故障信号分解,然后利用去趋势波动分析(DFA)计算每一个模式分量对应的标度指数,有用分量和含噪分量通过标度指数的幅值阈值进行区分,最后小波分析用于对识别出的高频含噪分量进行降噪处理,其目的是最大程度地保留高频模式分量中的故障信息,实现信号的自适应降噪。通过对轴承故障信号和数值仿真信号的分析结果表明:提出的方法能够更好地识别和提取轴承的故障特征。     

基于改进经验小波变换的机车轴承故障诊断

机车轴承在噪声较大的背景下工作,发生故障时,难以有效地提取其故障特征,针对这一问题,提出了经验小波变换（EWT）方法。为克服经验小波变换方法中噪声分量干扰子频带划分的问题,提出一种采用信号时频峭度谱局部极小值划分频带的方法,基于子频带构造正交小波滤波器组对信号进行EWT分解。仿真实验和工程应用表明,改进后的EWT能够较好地克服噪声分量对子频带划分的干扰,有效地分离出机车轴承损伤故障的特征。     

基于小波包时延相关解调的滚动轴承故障诊断方法

针对滚动轴承故障冲击信号周期性强且容易被强烈的背景噪声淹没,提出基于小波包时延相关解调的分析方法,实现滚动轴承的故障特征提取及故障诊断。首先,以信噪比SNR和均方根误差RMSE为准则,对比小波包阈值的降噪效果,选取最优小波包参数,以增强振动信号的信噪比。然后将降噪后的信号进行重构。最后,通过时延相关解调分析提取去噪重构信号的故障特征。通过仿真和试验数据分析,验证了所提算法能够较准确地提取轴承故障特征频率。基于与包络分析和小波包络分析进行的对比,证明了所提方法能够获得更高精度的故障特征参数,进而更加有效地实现滚动轴承的早期故障诊断。